تخمين دماي سطح زمين با استفاده از شاخص اختلاف نرمال شده (NDVI) در تصاوير سنجنده‌هاي MODIS و Landsat ETM+

Estimation of land surface temperature using NDVI in MODIS and Landsat ETM+ imageries

دماي سطح زمين از جمله مهم‌ترين عواملي است كه در تخمين بسياري از پارامترهاي هيدرولوژيكي در مقياس منطقه‌اي مورد استفاده قرار مي‌گيرد. اين پارامتر با حضور باندهاي حرارتي در سنجنده‌ها قابل اندازه‌گيري است. اين تحقيق با استفاده از تصاوير سنجنده‌هاي ETM+ و MODIS در اراضي پايين‌دست شبكه آبياري دشت قزوين انجام گرفت. در اين تحقيق چهار سناريو پيشنهاد گرديد و نتايج با استفاده از داده‌هاي لايسيمتر حجمي موجود در منطقه مورد ارزيابي قرار گرفت. نتايج نشان داد كه در صورتي كه پيكره‌هاي آبي از تصاوير ماهواره‌اي حذف گردند، يك رابطه معكوس بين شاخص گياهي NDVI و دماي سطح در هر دو سنجنده ETM+ و MODIS مشاهده مي‌شود. با وجودي‌كه رابطه غيرخطي انطباق بهتري را نسبت به رابطه خطي توليد مي‌نمايد ولي اين اختلاف فاحش نيست. كاربرد روش تجميع ساده نسبت به روش‌ تجميع با استفاده از داده‌هاي نزديك‌ترين همسايه نتايج قابل قبولي را توليد مي‌نمايد. از ميان سناريوهاي پيشنهادي، تفكيك اوليه اراضي و اعمال الگوريتم پيشنهادي در اراضي با كاربري پوشش گياهي بهترين انطباق را بين داده‌هاي دماي سطح زمين و شاخص گياهي NDVI توليد مي‌نمايد.

Land surface temperature is one of the main parameters required for hydrological elements estimations in regional scale. This variable can be measured using thermal band of satellite sensors. In this research ETM+ and MODIS imageries of downstream end of Qazvin irrigation network of Qazvin were used. Four different scenarios were proposed and the obtained results were evaluated by volumetric lysimeter measurements. Results indicated that if water bodies are removed from satellite imageries, a reverse relation can be observed between NDVI crop index and land surface temperature in both ETM+ and MODIS imageries. Although, non-linear relation has a good result in compare to linear, no significant differences were observed between them. Using simple aggregation method produced acceptable result in compare to the aggregate nearest neighbour method. Finally, cells with dimensions following rule after integration, produced the best results. Among recommended scenarios, initial segregation of lands and application of proposed algorithm in lands with vegetation cover produced the best coincidence between land surface temperature data and vegetation index (NDVI).